L’algorithme d’IA améliore la sécurité routière en surveillant la charge de travail du conducteur

Des chercheurs de l’Université de Cambridge, en collaboration avec Jaguar Land Rover (JLR), ont développé un algorithme adaptable qui a le potentiel d’améliorer considérablement la sécurité routière en prédisant quand les conducteurs peuvent interagir en toute sécurité avec les systèmes embarqués ou recevoir des messages pendant la conduite. Cette approche innovante combine des expériences sur la route avec des techniques d’apprentissage automatique pour mesurer en continu la charge de travail du conducteur, permettant des ajustements en temps réel en réponse aux conditions changeantes et au comportement du conducteur.

Algorithme adaptatif pour une sécurité routière améliorée

L’algorithme développé par les chercheurs est hautement adaptable et capable de répondre aux variations de la charge de travail du conducteur, des conditions routières, des types de routes et des caractéristiques des conducteurs. Il utilise une combinaison de techniques d’apprentissage automatique et de filtrage bayésien pour évaluer en continu la charge de travail du conducteur. Par exemple, conduire dans une zone inconnue ou dans un trafic dense peut indiquer une charge de travail plus élevée, tandis qu’un trajet quotidien peut signifier une charge de travail plus faible.

L’objectif principal de cette technologie est d’améliorer la sécurité routière en personnalisant les interactions conducteur-véhicule. Par exemple, les conducteurs sont alertés des messages et notifications non urgents pendant les périodes de faible charge de travail, s’assurant qu’ils peuvent maintenir toute leur concentration sur la route lors de scénarios de conduite plus exigeants.

La disponibilité croissante des données dans les véhicules pourrait être un facteur de risque majeur pour la sécurité routière, car elle peut entraîner des distractions pour les conducteurs. Pour relever ce défi, il est crucial de mettre en place un système pour évaluer en continu la charge de travail du conducteur. En comprenant le niveau d’engagement du conducteur et les conditions routières, le système peut prioriser quand présenter des informations ou des alertes au conducteur, en s’assurant que cela se produit pendant les périodes de faible charge de travail.

Mesure de la charge de travail du conducteur

Bien qu’il existe des algorithmes existants qui mesurent la demande du conducteur à l’aide de traceurs de regard et de données biométriques, les chercheurs de Cambridge ont cherché à développer une approche qui repose sur des données facilement disponibles dans tout véhicule, spécifiquement les signaux de performance de conduite tels que les données de direction, d’accélération et de freinage. Cette approche permet la consommation et la fusion de divers flux de données non synchronisés, y compris les données des capteurs biométriques si disponibles.

Pour mesurer la charge de travail du conducteur, les chercheurs ont mené des expériences sur la route en utilisant une version modifiée de la Tâche de Détection Périphérique. Les participants ont été invités à appuyer sur un bouton porté au doigt chaque fois qu’ils percevaient un scénario de faible charge de travail, indiqué par une lumière LED rouge clignotant à intervalles réguliers sur un téléphone affichant une application de navigation. L’analyse vidéo et les données du bouton ont permis d’identifier les situations de forte charge de travail, telles que la navigation dans des carrefours animés ou la rencontre de comportements de véhicule inhabituels.

Cadre d’apprentissage automatique adaptatif

Les données collectées lors des expériences ont été utilisées pour développer et valider un cadre d’apprentissage automatique supervisé. Ce cadre profile les conducteurs en fonction de leur charge de travail moyenne et utilise des techniques de filtrage bayésien pour l’estimation en temps réel de la charge de travail instantanée du conducteur. Il combine des mesures macro et micro de la charge de travail, permettant une adaptation à différents types de routes, conditions ou conducteurs utilisant le même véhicule.

La collaboration de recherche avec Jaguar Land Rover (JLR) a impliqué la conception expérimentale et la collecte de données. Dr. Lee Skrypchuk, spécialiste technique senior de l’interface homme-machine chez JLR, a souligné l’importance de cette recherche pour comprendre l’impact de la conception du point de vue de l’utilisateur. Cela aidera à améliorer la sécurité et l’expérience de conduite en optimisant le moment des notifications et des interactions dans les véhicules de JLR.

Amélioration continue de la sécurité

En utilisant cet algorithme adaptatif, les véhicules peuvent délivrer des notifications et des interactions aux conducteurs aux moments appropriés, réduisant le risque de distractions lors de scénarios de forte charge de travail. Cette technologie représente une étape significative vers l’amélioration de la sécurité routière en s’assurant que les conducteurs restent concentrés sur la route, en particulier dans des situations de conduite exigeantes.

La recherche menée à l'université de Cambridge a été réalisée par une équipe de chercheurs du laboratoire de traitement du signal et des communications (SigProC), du département d'ingénierie, sous la supervision du professeur Simon Godsill. Dirigée par le Dr Bashar Ahmad, l'équipe comprenait Nermin Caber et le Dr Jiaming Liang, qui ont tous contribué au succès du projet.

À une époque où la connectivité au sein des véhicules s'intensifie, la surveillance et l'adaptation à la charge de travail du conducteur sont essentielles pour la sécurité routière. L'algorithme innovant développé par l'université de Cambridge, en collaboration avec Jaguar Land Rover, offre une solution prometteuse à ce défi. En privilégiant la sécurité et en optimisant les interactions entre le conducteur et le véhicule, cette technologie a le potentiel d'améliorer considérablement l'expérience de conduite globale tout en réduisant les distractions sur la route.